Vector Index 제거와 Direct Corpus Interaction을 통한 Agentic Search 성능 극대화
Beyond Semantic Similarity
Manticore 23.0.0 bigram_index를 통한 모델명 Tokenization Mismatch 해결
How to Make xt850 Match xt 850
Human Taste 중심의 AI News Radar, Horizon 오픈소스 아키텍처 설계
I Built an Open Source AI News Radar Around Human Taste, Not Just AI Summaries
28,000명 규모 Copilot 도입을 통한 일일 26분 업무 효율 개선
Watch out UK taxpayers: 28,000 HMRC staffers just got an AI copilot
IDF 기반 토큰 스코어링과 다차원 도메인 설계를 통한 코드 검색 정밀도 최적화
Building coldstart: what broke, what held up
MCP 기반 40개 채널 라우팅을 통한 중국 특화 Deep Research 아키텍처
Chinese Deep Research With AI Agents
40개 채널 기반 MCP-Native 인프라 구축을 통한 Agent 검색 고도화
MCP-Native Search Tools Comparison
BM25 도입으로 API 비용 절감 및 응답 밀도 30-50% 향상
Why I used a 50-year-old algorithm instead of embeddings to cut Claude API token costs
문서 형태별 RAG 실패 패턴 분석을 통한 데이터 구조 맞춤형 설계 전략
RAG in Practice — Part 5: Build a RAG System in Practice
Knowledge Graph의 정보 손실 해결을 통한 LongMemEval-S 73% 달성
Why we ditched the knowledge graph approach for agent memory
NLP 기반 Patent Screening 자동화로 특허 분석 리소스 최적화
Automating Patent Risk Analysis for Amazon FBA Sellers
LLM 기반 학술 논문 분석 및 정형 데이터 합성 파이프라인 구축
How Archimedes Started: A Research Tool I Built for Myself
인덱스 크기가 같아도 검색 품질이 다른 이유, 6가지 핵심 변수 분석
Why Search Breaks in Production
연구진이 쿼리 벡터를 탐색 단계마다 동적으로 변형하는 Induced-Fit Retrieval을 통해 다중홉 검색 성능을 기존 정적 RAG 대비 14.3% 향상시켰다
Beyond Static RAG: Using 1958 Biochemistry to Beat Multi-Hop Retrieval by 14%
Show GN: aicasebook.dev | AI 개발 환경 사례집 (볼만한 정보를 지향)
aicasebook.dev가 벡터 기반 의미 검색과 키워드 검색 하이브리드로 AI 개발 사례 큐레이션 서비스 구축
RAG 시스템이 데모에서는 작동하지만 프로덕션에서 실패하는 이유를 구조화된 파이프라인 설계로 해결하는 방법
Why Most RAG Systems Fail in Production (And How to Design One That Actually Works)
Dropbox가 소규모 인간 레이블링 데이터로 LLM 기반 평가를 캘리브레이션하여 검색 관련성 라벨을 대규모로 생성하는 하이브리드 접근법 도입
Using LLMs to amplify human labeling and improve Dash search relevance
Sentence Transformers v5가 Sparse Embedding 모델 학습 기능을 추가하여 30,000+ 차원의 고차원 희소 벡터 기반 검색 시스템 구축 지원
Training and Finetuning Sparse Embedding Models with Sentence Transformers v5
Sentence Transformers v4가 Cross Encoder 기반 Reranker 모델의 새로운 학습 방식을 도입해 도메인 특화 미세조정으로 일반용 모델 13개를 모두 초과
Training and Finetuning Reranker Models with Sentence Transformers v4
Hugging Face가 임베딩 양자화(Binary, Scalar) 기법으로 메모리 32배 감소 및 검색 속도 32배 향상 달성
Binary and Scalar Embedding Quantization for Significantly Faster & Cheaper Retrieval